城市轨道交通是缓解城市拥堵的重要措施,在近年的发展中逐渐成为不可替代的公共交通方式。同时,对外客运枢纽作为实现城市对外交通与城市内部交通之间换乘接驳的主要场所,源源不断地吸引着大量人群在较短时间和较小空间内的聚集,致使与之衔接的城市轨道交通车站频繁出现大客流的集散,影响乘客安全和车站运营。准确地进行对外客运枢纽衔接的城市轨道交通客流短时预测,能为相关管理部门提供引导决策的必要信息,对对外客运枢纽和城市轨道交通的安全运营和精细化管理意义重大。本文针对对外客运枢纽的轨道交通客流短时预测进行了研究,主要工作如下:(1)介绍了对外客运枢纽相关概念及轨道交通客流影响因素。首先界定对外客运枢纽的概念、特性、功能。进一步说明了对外客运枢纽下城市轨道交通客流的描述指标和定义,最后定性分析了对外枢纽进出站客流的几类影响因素。(2)给出了机器学习框架下解决短时客流预测问题的完整特征工程过程,首先依据既有研究和经验构建常规特征;进而利用特征衍生,创新性地提出了针对频繁波动的枢纽衔接轨道交通客流而构建统计特征的方法。通过流形学习的Isomap算法进行特征可视化降维,对建立的常规特征与统计特征可行性进行直观验证。(3)针对拟合客流态势和客流峰值两大预测难点明确了模型建立思路。1)对客流态势的准确拟合要求模型具备较好的实时性,为此建立了能够处理长时间依赖的时序性数据的长短期记忆网络LSTM模型。将特征按照时序性分类,改进了LSTM长短期记忆网络的网络结构;实现了多源特征输入;利用RAdam优化器进行权重矩阵优化,同步利用余弦退火算法设置学习率进行迭代,提升了模型迭代过程的稳定性。2)对客流峰值的准确拟合要求模型具备较好的泛化能力,为此引入了梯度决策提升树GBDT的轻量级实现算法Light GBM,同步构建短时预测模型,通过直方图算法,Leaf-wise生长策略处理大量的离散客流峰值,降低了运算代价,提高了模型精度。3)基于K近邻算法,利用能够寻找局部最优的融合方法动态回归器选择DRS,建立了LGB-LSTM-DRS的局部最优融合预测模型。(4)以成都东站AFC客流数据为例,验证本文特征工程及模型构建方法,在特征有效性上,采用控制变量的方法对本文统计特征的有效性进行验证;在模型有效性验证上,进行拟合效果和残差的对比分析,并与LR、RF、GBDT等其它常用客流预测模型对比,证明了本文提出的LGB-LSTM-DRS具有最佳的预测性能。